论文总字数：29690字

摘 要

电力负荷预测是电力行业中一项常规且重要的工作。由于电力系统的特殊性，负荷预测结果的精度既关系到电力企业的运行，又关系到电能质量。电动汽车具有科技含量高、对环境友好等优点，是未来汽车的发展方向。在预测方法的可靠性研究中，电动汽车负荷预测层面的可靠性同样需要加以考虑。

本文采用相似日方法对负荷进行潜力分析。对电力负荷数据进行预处理，并确定待选日期范围。模糊聚类可将具有多个属性的元素合理分类，本文采用c均值聚类（fuzzy C-means）方法。将相似日因素通过一定规则映射为数据后，利用c均值算法将日期分类，选定下一步预测的训练样本。近年来，人工神经网络在预测领域得到广泛运用。由于标准BP（Back Propagation）算法存在一定不足，本文选择其一种改进算法：LM（Levenberg-Marquardt）算法。建立LM算法负荷预测模型，得出预测结果，该结果即为最大相似日。根据相似日方法，该日的负荷数据即可作为预测日的预测结果。

本文在居民用电负荷预测和电动汽车负荷预测两个层面上对预测结果进行误差分析。经分析，该方法具有一定可靠性。

关键词：短期负荷预测，电动汽车，c均值模糊聚类，改进BP算法

Abstract

Power load forecasting is a routine and important work in the power industry. Due to the particularity of the power system, the accuracy of the load forecasting results is related not only to the operation of the power company, but also to the power quality. Electric vehicles have the advantages of high technology and environmental friendliness, and they are the future direction of automotive development. In the reliability study of prediction methods, the reliability of the load forecasting level of electric vehicles also needs to be considered.

Similar day method is used for load forecasting. The power load data is preprocessed and the date range to be selected is determined. Fuzzy clustering can reasonably classify elements with multiple attributes. After the similar daily factors are mapped to data through certain rules, the date is classified using the fuzzy c-means clustering algorithm, and the training samples for the next prediction are selected. In recent years, ANN (artificial neural-network) has been widely used in the field of prediction. Due to the lack of standard BP (Back Propagation) algorithm, an improved algorithm: LM (Levenberg-Marquardt) algorithm is chosen. The load forecasting model of LM algorithm is established and the prediction result is obtained, and that result is a similar day date that with the maximum similarity to the forecast date. According to the similar day method, the power load historical data for this similar day can be used as the load forecast result on the forecast day.

On the two levels of residential power load forecasting and electric automobile power load forecasting, the prediction results are analyzed. From the results, this method is reliable.

KEY WORDS: short term load forecasting, electric automobile, fuzzy C-means clustering, modified BP algorithm

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 课题背景及意义 1

1.1.1 V2G 技术及其作用 1

1.1.2 电网负荷预测研究的意义 1

1.2 国内外研究现状 2

1.2.1 V2G研究现状 2

1.2.2 电力负荷预测研究现状 2

1.3 本文的主要工作 3

第二章 电力系统负荷预测分析 5

2.1 负荷预测的概念和分类 5

2.2 负荷预测的误差指标 5

2.3 区域负荷特性分析 6

2.4 电力负荷数据预处理 7

2.4.1 数据预处理的必要性 7

2.4.2 缺失数据的处理 7

2.4.3 异常数据的处理 7

2.5 数据的归一化处理 8

2.6 本章小结 9

第三章 C均值聚类算法 10

3.1 模糊聚类算法 10

3.1.1 模糊聚类算法简介 10

3.1.2 C均值算法原理及流程 10

3.2 相似日方法 11

3.3 相似日因素的数据映射 11

3.3.1 特征量的选取 11

3.3.2 映射数据表的建立 12

3.4 C均值聚类算法模型 12

3.4.1 参数选取 13

3.4.2 模型建立 13

3.4.3 聚类结果 13

3.5 学习数据选择 14

3.6 本章小结 15

第四章 改进BP神经网络算法 16

4.1 神经网络简介 16

4.1.1 神经网络发展及特点 16

4.1.2 神经网络模型 16

4.2 BP神经网络算法 17

4.2.1 BP算法简介 17

4.2.2 BP算法网络及原理 17

4.3 LM算法 19

4.3.1 BP算法的改进 19

4.3.2 LM算法原理 20

4.4 改进BP网络算法预测 20

4.4.1 模型参数选取 20

4.4.2 模型建立 21

4.4.3 模型预测结果 22

4.5 本章小结 23

第五章 负荷预测算例分析 24

5.1 负荷预测流程 24

5.2 算例分析 25

5.2.1 居民用电负荷预测分析 25

5.2.2 电动汽车充电量单日预测分析 26

5.2.3 电动汽车充电量一周预测分析 28

5.3 本章小结 29

第六章 结论 30

致 谢 31

参考文献 32

附录A 34

附录B 35

绪论

课题背景及意义

V2G 技术及其作用

当今世界，环境问题日益突出，化石能源的环境污染与储量有限等问题显露端倪，各国都加快了开发利用可再生、清洁能源的脚步。其中一个表现就是许多国家纷纷进军电动汽车领域。虽然电动汽车暂时有一些缺点，但它对解决全球气候问题、能源问题、二氧化碳排放等问题的作用是毋庸置疑的。随着科学技术的进步，现存制约电动汽车使用的问题将逐步得到解决，电动汽车的使用在未来只会变得更为广泛。

剩余内容已隐藏，请支付后下载全文，论文总字数：29690字